Otvoreni medicinski LLM‑ovi izlaze iz laboratorija
Veliki jezični modeli specijalizirani za medicinu više nisu samo istraživački projekti. U posljednjim mjesecima pojavljuju se konkretne inicijative koje ciljaju na stvarnu kliničku primjenu u Europi. Riječ je o modelima treniranima na medicinskim člancima, kliničkim smjernicama i anonimnim slučajevima iz prakse, koji mogu razumjeti stručnu terminologiju i kompleksne dijagnostičke scenarije.
Otvoreni projekti, poput zajednice OpenMedLLM, razvijaju modele trenirane na desecima milijuna znanstvenih radova, kliničkih izvješća i udžbenika. Na specijaliziranim medicinskim benchmarkovima ti modeli sve češće postižu rezultate usporedive, a ponekad i bolje od komercijalnih zatvorenih sustava. Primjeri uključuju rješavanje ispita iz interne medicine, prepoznavanje nuspojava lijekova iz teksta ili generiranje strukturiranih anamneza iz nestrukturiranih bilješki.
Za razliku od općih LLM‑ova, medicinski modeli moraju biti osjetljiviji na kontekst, ne smiju „izmišljati” podatke i moraju poštovati kliničke smjernice. Zbog toga se treniraju na strogo filtriranim datasetovima, uz dodatne faze fine‑tuninga s liječnicima i kliničarima. U praksi to znači da se modeli uče ne samo jeziku, nego i medicinskoj logici: razlikovanju simptoma, razumijevanju laboratorijskih nalaza i ograničenjima dijagnostičkih procedura.
Od laboratorija do bolnice: gdje LLM‑ovi pomažu danas
Prvi stvarni slučajevi primjene u europskim bolnicama uglavnom su usmjereni na zadatke koji ne nose izravnu kliničku odluku. Najčešće se koriste za:
- automatsko sažimanje nalaza i otpusnih pisama
- generiranje nacrta izvješća na temelju strukture iz informacijskog sustava
- podršku administrativnim procesima (prevođenje između jezika, standardizacija šifri dijagnoza)
- trijažne chatbotove za pacijente u digitalnim čekaonicama
U tim slučajevima liječnici i dalje imaju potpunu kontrolu nad konačnim dokumentom ili savjetom. LLM služi kao „pametni asistent” koji ubrzava pisanje, smanjuje ponavljajući rad i pomaže u konzistentnom korištenju medicinske terminologije. To je i regulatorno manje rizično područje, što ga čini pogodnim za prve pilot‑projekte.
Infrastruktura: kako AI uopće ulazi u bolnički sustav
Tehnički, najveći izazov nije samo razviti dobar model, već ga sigurno povezati s postojećom bolničkom infrastrukturom. Bolnice se oslanjaju na sustave poput PACS‑a za medicinsku sliku i EHR‑a (elektronički zdravstveni karton) za tekstualnu dokumentaciju. Ti sustavi koriste standarde poput DICOM‑a za slike i HL7/FHIR‑a za razmjenu podataka.
Europski projekti kao što je Open Medical Inference (OMI) pokušavaju riješiti upravo taj sloj povezivanja. OMI razvija otvorene protokole i gateway koji mogu „prevesti” između bolničkih standarda i AI servisa. Gateway prima, primjerice, DICOM snimku CT‑a, priprema je za model, šalje prema AI servisu, te zatim vraća strukturirani rezultat natrag u PACS ili EHR.
Takav pristup omogućuje bolnicama da testiraju više različitih modela, bez potpunog re‑inženjeringa svoje IT arhitekture. Jednom postavljen gateway može usmjeravati podatke prema lokalnim on‑premise modelima ili prema udaljenim AI servisima u oblaku, ovisno o politici ustanove. Standardizirani protokoli smanjuju ovisnost o jednom dobavljaču i olakšavaju kasniju zamjenu modela novim generacijama.
Prednosti otvorenih protokola i gatewaya
- Interoperabilnost: različiti AI modeli mogu raditi s istim bolničkim sustavima.
- Modularnost: moguće je mijenjati modele bez promjene cijelog informatičkog sustava.
- Kontrola: bolnica zadržava nadzor nad time koji se podaci šalju, gdje se obrađuju i kako se rezultati vraćaju.
„Tvoj model, tvoja infrastruktura, tvoja pravila”
Za europske zdravstvene ustanove ključna tema ostaje povjerljivost podataka i kontrola nad infrastrukturom. GDPR i nacionalni zdravstveni propisi strogo ograničavaju gdje se medicinski podaci smiju obrađivati, tko im smije pristupiti i u koje svrhe. Zbog toga sve više bolnica traži rješenja koja omogućuju lokalno izvođenje modela, bez slanja podataka trećim stranama.
Koncept „tvoj model, tvoja infrastruktura, tvoja pravila” u praksi znači:
- model se izvodi na serverima bolnice ili unutar nacionalnog zdravstvenog oblaka
- podaci pacijenata ne napuštaju jurisdikciju i kontrolu ustanove
- konfiguracija modela, logiranje i auditi ostaju u rukama bolničkog IT‑a
Otvoreni medicinski LLM‑ovi posebno su privlačni u tom kontekstu. Budući da je izvorni kod i arhitektura modela javno dostupna, ustanove mogu prilagoditi modele vlastitim jezicima, stručnim terminima i lokalnim smjernicama. Mogu, primjerice, dodatno trenirati model na nacionalnim kliničkim protokolima ili povijesnim, anonimiziranim podacima iz vlastite ustanove.
To otvara prostor za specijalizirane modele za radiologiju, onkologiju ili patologiju, koji razumiju lokalne obrasce bolesti, nazive lijekova dostupnih na tržištu i način na koji se pišu nalazi u određenoj zemlji.
EU AI Act: regulatorni okvir koji stiže 2026.
U pozadini tehnoloških inovacija stoji regulatorni sat koji otkucava. EU AI Act ulazi u završnu fazu implementacije, a od kolovoza 2026. počet će se strože primjenjivati pravila za visoko‑rizične AI sustave u zdravstvu. Većina medicinskih LLM‑ova koji izravno podržavaju kliničko odlučivanje spadat će u tu kategoriju.
Za takve sustave propisani su zahtjevi koji obuhvaćaju:
- upravljanje podacima: jasno definirani izvori podataka, način čišćenja i anonimizacije
- validaciju modela: dokaz da je model testiran na relevantnim populacijama i scenarijima
- kontinuirani nadzor performansi: praćenje pogrešaka, degradacije kvalitete i neželjenih nuspojava u stvarnoj praksi
- transparentnost: dokumentacija o tome kako model donosi preporuke i koje su mu granice primjene
- upravljanje rizikom: planovi za slučajeve kada model pogriješi ili nije dostupan
Otvoreni modeli nude prednost u vidu većeg uvida u arhitekturu i treniranje, ali to ne oslobađa bolnice od obveze da dokažu vlastitu kliničku validaciju. U praksi će se tražiti lokalne studije, usporedbe s postojećim standardom skrbi i jasno definirani protokoli za nadzor nad radom modela.
Dvije godine pilot‑projekata: što bolnice rade sada
Sljedeće dvije godine pretvaraju se u svojevrsni „pilot‑prozor” za medicinske LLM‑ove u Europi. Zdravstvene ustanove nastoje iskoristiti vrijeme prije pune primjene EU AI Acta kako bi stekle iskustvo, izgradile infrastrukturu i pripremile dokumentaciju.
Tipičan pristup uključuje kombinaciju dviju vrsta projekata:
- manje rizični slučajevi upotrebe – automatsko sažimanje dokumentacije, pomoć pri pisanju nalaza, trijažni chatbotovi za opće informacije
- ograničeni pilot‑projekti za kliničku podršku – prijedlozi diferencijalnih dijagnoza, provjera interakcija lijekova, pomoć pri interpretaciji složenih nalaza, uvijek uz obveznu potvrdu liječnika
Uspjeh tih projekata sve se manje mjeri „pametnošću” samog modela, a sve više time koliko je dobro integriran u postojeće tijekove rada. Ako AI preporuke dolaze u krivo vrijeme ili u krivom formatu, liječnici ih jednostavno neće koristiti, bez obzira na to koliko su točne.
Ključni čimbenici uspješnih pilota
- Integracija u tijek rada: AI se pojavljuje tamo gdje liječnik već radi – u PACS‑u, EHR‑u ili sustavu za naručivanje pretraga.
- Jasna podjela odgovornosti: definirano je tko donosi konačnu odluku, tko potpisuje nalaz i kako se dokumentira uloga AI‑a.
- Rana izgradnja dokumentacije: od početka se vodi evidencija o treniranju, validaciji, incidentima i povratnim informacijama korisnika, u skladu s nadolazećim EU standardima.
- Uključivanje kliničara: liječnici, medicinske sestre i tehničari sudjeluju u dizajnu sučelja i definiranju slučajeva upotrebe.
Izazovi i otvorena pitanja
Unatoč napretku, nekoliko ključnih pitanja ostaje otvoreno. Prvo, kako osigurati da modeli jednako dobro rade na različitim jezicima i u različitim zdravstvenim sustavima. Većina medicinskih datasetova i dalje je na engleskom, dok se klinička dokumentacija u europskim bolnicama vodi na nacionalnim jezicima, s lokalnim kraticama i žargonom.
Drugo, tko je odgovoran kada AI preporuka utječe na odluku koja se pokaže pogrešnom. Iako pravni okvir naglašava da je konačna odgovornost na liječniku, u praksi će biti potrebno precizno definirati uloge proizvođača modela, pružatelja infrastrukture i zdravstvene ustanove.
Treće, kako izbjeći „AI umor” među kliničarima. Ako se u kratkom vremenu uvede previše alata, svaki s vlastitim sučeljem i načinom rada, postoji rizik da će se povjerenje u tehnologiju smanjiti. Stoga se sve više govori o potrebi centraliziranih AI platformi u bolnicama, koje na jednom mjestu upravljaju modelima, pristupima i auditnim tragovima.
Prema standardiziranoj, ali prilagodljivoj budućnosti
Otvoreni medicinski LLM‑ovi u europskim bolnicama nalaze se na raskrižju tehnologije, regulative i kliničke prakse. S jedne strane, nude priliku za smanjenje administrativnog opterećenja, bržu izradu nalaza i bolju podršku odlučivanju. S druge, traže ozbiljna ulaganja u infrastrukturu, sigurnost podataka i usklađenost s EU AI Actom.
U nadolazećem razdoblju vjerojatan je scenarij u kojem će se formirati hibridni modeli primjene. Veći, generički LLM‑ovi koristit će se za opće zadatke poput sažimanja i prevođenja, dok će manji, specijalizirani modeli raditi na usko definiranima kliničkim problemima. Svi će oni biti ugrađeni u standardizirane AI platforme, povezane preko otvorenih protokola s PACS‑om, EHR‑om i drugim bolničkim sustavima.
Za bolnice koje žele iskoristiti ovaj val inovacija, poruka je jasna: početi rano, ali oprezno. Pilotirati u manje rizičnim područjima, graditi infrastrukturu koja podržava otvorene modele i standarde, te paralelno razvijati dokumentaciju i procese koji će biti usklađeni s europskom regulativom. U tom okviru, otvoreni medicinski LLM‑ovi imaju realnu šansu postati trajni dio europske zdravstvene prakse, a ne samo prolazni tehnološki eksperiment.
